Python pandas RFM模型应用实例详解模型应用实例详解
本文实例讲述了Python pandas RFM模型应用。分享给大家供大家参考，具体如下：
什么是什么是RFM模型模型
根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有3个神奇的要素，这3个要素构成了数据分析最好的指标：
最近一次消费最近一次消费 (Recency): 客户最近一次交易时间的间隔。R值越大，表示客户交易距今越久，反之则越近；
消费频率消费频率 (Frequency): 客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则不够活跃；
消费金额消费金额 (Monetary): 客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则越低。
RFM实践应用实践应用
1、前提假设验证、前提假设验证
RFM模型的应用是有前提假设的，即R、F、M值越大价值越大，客户未来的为企业带来的价值越大。这个前提假
设其实已经经过大量的研究和实证，假设是成立的。不过为了更加严谨，确保RFM模型对于特殊案例是有效的，
本文还进行了前提假设验证：
ps：Frequency、Monetary均为近6个月内的数据，即1-6月数据；
利用相关性检验，验证假设：
最近购买产品的用户更容易产生下一次消费行为
消费频次高的用户，用户满意度高，忠诚度高，更容易产生下一次消费行为
消费金额高的用户更容易带来高消费行为
2、、RFM分级分级
简单的做法，RFM三个指标以均值来划分，高于均值的为高价值、低于均值的为低价值，如此可以将客户划分为8大类：
本文采取的方法是将三个指标进行标准化，然后按照分为数划分为5个等级，数值越大代表价值越高；当然最终划分的规则还是要结合业务来定。划分为5个等级后，客户
可以细分为125种。
#读取数据
rfm<-read.csv('~/desktop/rfm1_7.csv',header=TRUE)
summary(rfm)
#数据分布
par(mfrow=c(1,3))
boxplot(rfm$rankR1)
boxplot(rfm$rankF1)
boxplot(rfm$rankM1)
#rfm分级
breaks1<-quantile(rfm$Recency, probs = seq(0, 1, 0.2),names = FALSE)
breaks1<-c(1,14,30,57，111,181) #以流失用户的定义来设置分级 30天以上为流失用户
breaks2<-quantile(rfm$Frequency, probs = seq(0, 1, 0.2),names = FALSE)
breaks2<-c(1,2,3,6,14,164)
breaks3<-quantile(rfm$Monetary, probs = seq(0, 1, 0.2),names = FALSE)
rfm$rankR1<- cut(rfm$Recency,breaks1, 5,labels=F)
rfm$rankR1<- 6-rfm$rankR1
rfm$rankF1<- cut(rfm$Frequency,breaks2, 5,labels=F)
rfm$rankM1<- cut(rfm$Monetary,breaks3, 5,labels=F)
3、客户分类、客户分类
本文采用K-means聚类进行分类，聚类结果结合业务划分为4大类：
Cluster1:价值用户R、F、M三项指标均较高；
Cluster2，3：用户贡献值最低，且用户近度（小于2）和频度较低，为无价值客户；
Cluster4:发展用户，用户频度和值度较低，但用户近度较高，可做up营销；
Cluster5:挽留客户，用户近度较低，但频度和值度较高，需采用挽留手段
k值选择:
评论0